File size: 1,186 Bytes
c3012c0 1446069 a9ac2b2 c3012c0 1446069 b2432f8 c3012c0 b2432f8 c3012c0 18604a2 3ce068a 18604a2 c3012c0 18604a2 c3012c0 3ce068a 18604a2 c3012c0 b2432f8 c3012c0 6a3ba24 c3012c0 ebfcd6a c3012c0 18604a2 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 |
import gradio as gr
import tensorflow as tf
from PIL import Image
import numpy as np
# Laden Sie Ihr benutzerdefiniertes Regressionsmodell
model = tf.keras.models.load_model('Task_Pokemon.keras')
# Klassennamen, sollten Ihrem Dataset entsprechen
class_names = ['Aerodactyl', 'Charizard', 'Victreebel']
def classify_image(image):
image = Image.fromarray(image.astype('uint8'), 'RGB')
img = image.resize((224, 224)) # Ändern Sie die Größe auf 224x224
img_array = tf.keras.preprocessing.image.img_to_array(img)
img_array = tf.expand_dims(img_array, 0) # Erstelle einen Batch
predictions = model.predict(img_array)
predicted_class = class_names[np.argmax(predictions[0])]
confidence = np.max(predictions[0])
return {predicted_class: float(confidence)}
image_input = gr.Image()
label = gr.Label(num_top_classes=3)
iface = gr.Interface(
fn=classify_image,
inputs=image_input,
outputs=label,
title='Pokémon-Bildklassifizierer',
description='Lade ein Bild von Aerodactyl, Charizard oder Victreebel hoch. Unser Klassifizierer wird das Pokémon identifizieren und das Vertrauensniveau der Vorhersage anzeigen.'
)
iface.launch()
|